Gérer un projet en mobilisant les méthodes agiles - ISTQB CT-AI

Module 1 : Fondamentaux de l'IA et enjeux du test
• Types d'IA : spécialisée, générale, avancée
• Services IA dans le cloud (AI as a Service)
• Normes, réglementations et éthique
• Critères qualité : robustesse, adaptabilité, autonomie
• Gestion des biais, sécurité et gouvernance des données
• Explicabilité et transparence (XAI)
• Cycle de vie d'un modèle IA et introduction au Machine Learning
• Choix des algorithmes et dérive des modèles
Module 2 : Données, qualité et évaluation des modèles ML
• Constitution des jeux de données : entraînement, validation, test
• Problématiques courantes : déséquilibre, bruit, erreurs d'annotation
• Stratégies de labellisation et nettoyage des données
• Impact des données sur la performance des modèles
• Métriques d'évaluation : précision, rappel, F1-Score, courbe ROC
• Analyse de la matrice de confusion
• Élaboration d'un plan de tests axé performance et stabilité
Module 3 : Réseaux neuronaux & tests spécifiques
• Principes des réseaux neuronaux et architectures courante
• Fonctionnement d'un perceptron – démonstration
• Spécificités du test des réseaux neuronaux
• Notions de couverture pour les tests IA et limites actuelles
Module 4 : Test des systèmes basés sur l'IA
• Types de spécifications et niveaux de test dans l'IA • Création et gestion des données de test
• Détection et évaluation des biais d'automatisation
• Validation des caractéristiques IA : robustesse, résilience, équité, explicabilité
• Défis des systèmes autonomes et adaptatifs
• Test des systèmes complexes : NLP, vision, modèles multimodaux
Module 5 : Méthodes avancées de test IA
• Tests adversariaux : attaques, perturbations, empoisonnement de données
• Tests métamorphiques
• Tests A/B, tests dos-à-dos, tests par paires
• Sélection de la technique adaptée au contexte
• Construction d'un référentiel de tests IA comple
 Module 6 : Environnements et outils pour le test IA
• Configuration d'un environnement de test IA fiable
• Outils de simulation et environnements virtuels dédiés
• Intégration IA dans un pipeline MLOps pour la validation continue
• Monitoring des performances et suivi post-déploiement
Module 7 : Utilisation de l'IA pour améliorer les tests
• Génération automatique de cas de test
• Analyse intelligente des défauts
• Prédiction d'anomalies et maintien de la qualité du modèle
• IA appliquée aux tests UI/UX et aux tests automatisés modernes
Module 8 : Préparation à la certification ISTQB AI Testing
• Analyse du syllabus officiel ISTQB CT-AI
• Entraînement : QCM, quiz, études de cas, simulations
• Coaching individuel pour maximiser la réussite
• Passage de l'examen inclus – 40 questions, score de 65% minimum requis